Η ψηφιακή ενεργειακή κρίση: Το 945 TWh που καλείται να αντιμετωπίσει η τεχνητή νοημοσύνη
Η Βιομηχανική Σάουνα που Αποκαλούμε Πρόοδο
Μπείτε σε ένα σύγχρονο κέντρο δεδομένων τεχνητής νοημοσύνης στη Φρανκφούρτη ή το Δουβλίνο και η πρώτη σας σκέψη δεν είναι «Αυτό είναι το μέλλον». Είναι «Γιατί κάνει τόση ζέστη εδώ μέσα;» Η ζέστη σε χτυπάει σαν να ανοίγεις την πόρτα ενός φούρνου, με κύματα θερμικής ενέργειας να ξεχύνονται από σειρές διακομιστών που μοιάζουν περισσότερο με βιομηχανικούς κλιβάνους παρά με υπολογιστές. Το σύστημα ψύξης ουρλιάζει, οι ανεμιστήρες βρυχώνται στο φουλ, το παγωμένο νερό τρέχει μέσα από χιλιόμετρα σωλήνων, μόνο και μόνο για να μην λιώσουν κυριολεκτικά αυτές οι μηχανές.
Κάθε τσιπ επιτάχυνσης τεχνητής νοημοσύνης καταναλώνει 1.200 βατ. Για να το θέσουμε σε προοπτική, αυτό είναι περισσότερη ισχύς από το καλοριφέρ που κρατάει ζεστό το διαμέρισμα της γιαγιάς σας στην Ολλανδία τον Ιανουάριο. Και μιλάμε για χιλιάδες τέτοια τσιπ, στοιβαγμένα σε racks που καταναλώνουν 50, 100, μερικές φορές 250 κιλοβάτ το καθένα. Ένα μόνο rack καταναλώνει όση ισχύ όσο 100 μέσα ευρωπαϊκά νοικοκυριά. Σε έναν χώρο στο μέγεθος μιας ντουλάπας.
Αυτή είναι η ψηφιακή ενεργειακή κρίση που οι ευγενικοί άνθρωποι δεν συζητούν στα συνέδρια. Η τεχνητή νοημοσύνη δεν καταναλώνει απλώς ηλεκτρική ενέργεια. Την καταβροχθίζει με την όρεξη μιας μαύρης τρύπας, και όλοι κουνάμε ευγενικά το κεφάλι σαν να είναι απολύτως λογική συμπεριφορά για τα μαθηματικά.
Τα Νούμερα που Θα Σας Κάνουν να Βρίσετε
Ας μιλήσουμε για την κλίμακα, γιατί τα νούμερα είναι πραγματικά τρομακτικά. Το 2024, τα κέντρα δεδομένων παγκοσμίως κατανάλωσαν περίπου 415 τεραβατώρες ηλεκτρικής ενέργειας. Αυτό είναι το 1,5% της συνολικής παγκόσμιας κατανάλωσης ηλεκτρικής ενέργειας. Για να το θέσουμε με ευρωπαϊκούς όρους, είναι σημαντικά περισσότερο από τη συνολική ετήσια ζήτηση ηλεκτρικής ενέργειας της Ισπανίας, που ανέρχεται σε 248 TWh. Ολόκληρη η Ισπανία. Κάθε σπίτι, κάθε εργοστάσιο, κάθε τρένο, κάθε νοσοκομείο. Τα κέντρα δεδομένων καταναλώνουν περισσότερο.
Αλλά εδώ είναι το σημείο όπου παύει να είναι απλώς ανησυχητικό και γίνεται πραγματικά τρομακτικό: αυτό το νούμερο προβλέπεται να υπερδιπλασιαστεί έως το 2030, φτάνοντας τις 945 TWh. Αυτό είναι το 3% της παγκόσμιας ηλεκτρικής ενέργειας. Όχι το 3% της ηλεκτρικής ενέργειας της τεχνολογίας. Το 3% των πάντων. Περισσότερο από όλα τα ηλεκτρικά οχήματα, τις αντλίες θερμότητας και τα ηλιακά πάνελ μαζί.
Και η τεχνητή νοημοσύνη είναι ο κύριος μοχλός. Η κατανάλωση ενέργειας των κέντρων δεδομένων τεχνητής νοημοσύνης αυξάνεται με ετήσιο ρυθμό 44,7%. Για να εκτιμήσετε πόσο εκθετικός είναι αυτός ο ρυθμός, σκεφτείτε την Ιρλανδία. Το 2024, τα κέντρα δεδομένων κατανάλωσαν το 22% της συνολικής ηλεκτρικής ενέργειας της Ιρλανδίας, από μόλις 5% το 2015. Αυτό είναι αύξηση 531% σε εννέα χρόνια. Η EirGrid, ο διαχειριστής του ιρλανδικού δικτύου, εκτιμά ότι έως το 2030 τα κέντρα δεδομένων θα μπορούσαν να καταναλώνουν το 30% της ηλεκτρικής ενέργειας της χώρας. Σχεδόν το ένα τρίτο ολόκληρου του εθνικού δικτύου ηλεκτροδότησης, μόνο και μόνο για να εκπαιδεύονται μοντέλα και να εξυπηρετούνται ερωτήματα τεχνητής νοημοσύνης.
Το Δουβλίνο από μόνο του λέει την ιστορία. Το 2023, τα κέντρα δεδομένων κατανάλωσαν μεταξύ 33% και 42% του συνόλου της ηλεκτρικής ενέργειας στο Δουβλίνο. Κάποιες εκτιμήσεις το ανεβάζουν ακόμη πιο ψηλά. Η ιρλανδική κυβέρνηση επέβαλε μορατόριουμ στην κατασκευή νέων κέντρων δεδομένων στο Δουβλίνο έως το 2028, επειδή το δίκτυο κυριολεκτικά δεν μπορεί να αντέξει άλλο φορτίο. Το Άμστερνταμ έκανε το ίδιο το 2019, άροντάς το μόνο αφού εφάρμοσε αυστηρές απαιτήσεις για την αποδοτικότητα της χρήσης ενέργειας και ένα ανώτατο όριο 670 MVA έως το 2030. Η Ολλανδία προχώρησε παραπέρα, επιβάλλοντας εθνικό μορατόριουμ σε υπερμεγέθη κέντρα δεδομένων που υπερβαίνουν τα 70 μεγαβάτ.
Αυτό δεν είναι σταδιακή ανάπτυξη. Είναι μια εκθετική έκρηξη στη ζήτηση ενέργειας, που συμβαίνει αυτή τη στιγμή, επιταχύνεται κάθε τρίμηνο και πέφτει με τα μούτρα πάνω στα όρια των φυσικών υποδομών.
Η βόμβα άνθρακα της εκπαίδευσης
Η εκπαίδευση ενός μόνο μεγάλου γλωσσικού μοντέλου παράγει αποτύπωμα άνθρακα που θα έκανε ένα διυλιστήριο πετρελαίου να κοκκινίσει από ντροπή. Και σε αντίθεση με τα διυλιστήρια, που τουλάχιστον παράγουν κάτι απτό που μπορείς να βάλεις σε ένα αυτοκίνητο, αυτές οι εκπομπές παράγουν... ένα μοντέλο που μπορεί να σου περιγράφει με σιγουριά συνταγές για μανιτάρια.
Το GPT-3, το μοντέλο που πυροδότησε την τρέχουσα έκρηξη της τεχνητής νοημοσύνης, εξέπεμψε 552 μετρικούς τόνους CO2 κατά την εκπαίδευσή του. Αυτό ισοδυναμεί με 123 επιβατικά αυτοκίνητα βενζίνης που κινούνται για έναν χρόνο. Για ένα μοντέλο. Για μία εκπαίδευση. Και αυτό αφορά μόνο την άμεση κατανάλωση ενέργειας, χωρίς να υπολογίζεται ο ενσωματωμένος άνθρακας από την κατασκευή των GPU ή την ανέγερση του κέντρου δεδομένων.
Και εδώ είναι το πραγματικά τρελό: το GPT-3 θεωρείται μικρό με τα σημερινά δεδομένα. Τα σύγχρονα μοντέλα είναι κατά τάξεις μεγέθους μεγαλύτερα. Η εκπαίδευση ενός μοντέλου με 100 τρισεκατομμύρια παραμέτρους κοστίζει περίπου 9 εκατομμύρια ευρώ σε χρόνο υπολογισμού GPU. Με τις ευρωπαϊκές τιμές ενέργειας και την ένταση άνθρακα, αυτό σημαίνει χιλιάδες τόνους ισοδύναμου CO2. Ανά μοντέλο. Και η επιτυχημένη ανάπτυξη συνήθως απαιτεί δεκάδες ή εκατοντάδες εκπαιδεύσεις, γιατί οι πρώτες δεκαεπτά προσπάθειες παρήγαγαν ένα μοντέλο που πιστεύει ότι το Βέλγιο είναι ένα είδος τυριού.
Οι ερευνητικές εργασίες διαφημίζουν εντυπωσιακές μετρήσεις απόδοσης. Το αποτύπωμα άνθρακα; Θάβεται σε μια υποσημείωση, αν αναφερθεί καθόλου. Είναι το αντίστοιχο της τεχνητής νοημοσύνης με κάποιον που καυχιέται για την επιτάχυνση του καινούριου του αυτοκινήτου ενώ αποφεύγει προσεκτικά να αναφέρει ότι καταναλώνει 2 λίτρα ανά χιλιόμετρο.
Το φαινόμενο πολλαπλασιασμού του συμπερασμού
Να τι χάνουν οι περισσότεροι, και είναι το κομμάτι που πραγματικά έχει σημασία: η εκπαίδευση είναι ένα εφάπαξ κόστος. Ο συμπερασμός, η χρήση του μοντέλου για να απαντά σε ερωτήσεις, λειτουργεί συνεχώς. Για πάντα. Σε κλίμακα που κάνει τις εκπομπές της εκπαίδευσης να μοιάζουν αμελητέες.
Κάθε ερώτηση στο ChatGPT καταναλώνει ηλεκτρική ενέργεια. Κάθε δημιουργία εικόνας με τεχνητή νοημοσύνη καίει βατώρες. Κάθε σύσταση, κάθε μετάφραση, κάθε απόκριση φωνητικού βοηθού. Εκατομμύρια αιτήματα ανά δευτερόλεπτο, 24 ώρες το εικοσιτετράωρο, 365 ημέρες τον χρόνο. Και σε αντίθεση με την εκπαίδευση, που γίνεται σε συγκεντρωμένες εκρήξεις, ο συμπερασμός κατανέμεται σε χιλιάδες κέντρα δεδομένων παγκοσμίως, καθιστώντας τον σχεδόν αδύνατο να παρακολουθηθεί.
Η έρευνα δείχνει ότι οι εκπομπές από τον συμπερασμό συχνά υπερβαίνουν εκείνες της εκπαίδευσης κατά τάξεις μεγέθους, ειδικά για μοντέλα με ευρεία ανάπτυξη. Η εκπαίδευση μπορεί να κοστίσει 500 τόνους CO2. Ο συμπερασμός κατά τη διάρκεια ζωής του μοντέλου; Δυνητικά 50.000 τόνοι. Ίσως και περισσότεροι. Κανείς δεν μετράει, και αυτό ακριβώς είναι το πρόβλημα.
Οι εταιρείες τεχνολογίας αναφέρουν τις εκπομπές εκπαίδευσης όταν το απαιτεί ο νόμος μέσω των κανονισμών της ΕΕ. Οι εκπομπές από τον συμπερασμό; Αυτές είναι «λειτουργικό κόστος», θαμμένες βολικά στα γενικά στατιστικά των κέντρων δεδομένων μαζί με τους διακομιστές email και τα βίντεο με γάτες. Η Πράξη για την Τεχνητή Νοημοσύνη της ΕΕ απαιτεί τη γνωστοποίηση της κατανάλωσης ενέργειας για μοντέλα γενικής χρήσης τεχνητής νοημοσύνης, αλλά η επιβολή είναι αποσπασματική και η εθελοντική γνωστοποίηση παραμένει ακριβώς αυτό: εθελοντική.
Η κρίση πυκνότητας ισχύος που σπάει τη φυσική
Τα παραδοσιακά κέντρα δεδομένων λειτουργούσαν με περίπου 36 κιλοβάτ ανά rack. Διαχειρίσιμο. Η συμβατική ψύξη αέρα δούλευε μια χαρά. Μπορούσες να τα χτίσεις οπουδήποτε με αξιόπιστη συνδεσιμότητα δικτύου και λογικές τιμές ηλεκτρικού ρεύματος. Οι υποδομές ήταν απλές.
Μετά ήρθε η τεχνητή νοημοσύνη και η φυσική θύμωσε.
Τα σημερινά rack τεχνητής νοημοσύνης φτάνουν τα 50 κιλοβάτ. Οι πιο προηγμένες εγκαταστάσεις αγγίζουν τα 100 κιλοβάτ. Κάποιες πειραματικές διαμορφώσεις πιέζουν τα 250 κιλοβάτ ανά rack. Αυτή είναι η κατανάλωση ισχύος 100 μέσων ευρωπαϊκών νοικοκυριών, συγκεντρωμένη σε λίγα τετραγωνικά μέτρα rack εξυπηρετητών. Η πυκνότητα ισχύος πλησιάζει εκείνη ενός πυραυλοκινητήρα.
Το πρόβλημα δεν είναι μόνο η συνολική ισχύς. Είναι η πυκνότητα. Συγκέντρωσε τόση ενέργεια σε τόσο μικρό χώρο και η φυσική γίνεται εχθρός σου. Η θερμότητα πρέπει να πάει κάπου και η ψύξη αέρα αδυνατεί να την αντιμετωπίσει. Το θερμικό φορτίο είναι υπερβολικά μεγάλο. Χρειάζεσαι υγρή ψύξη. Ψύξη απευθείας στο τσιπ. Ψύξη εμβάπτισης. Πολύπλοκα συστήματα θερμικής διαχείρισης που κοστίζουν περισσότερο από τους ίδιους τους εξυπηρετητές και απαιτούν δικές τους ομάδες μηχανικών για να λειτουργήσουν.
Τα κέντρα δεδομένων επανασχεδιάζονται όχι για υπολογιστική αποδοτικότητα, αλλά απλώς για να αποφευχθεί η θερμική κατάρρευση. Χτίζουμε υποδομές για να διαχειριστούμε τη σπαταλημένη θερμότητα από μαθηματικές πράξεις που, θεμελιωδώς, δεν θα έπρεπε να παράγουν τόση θερμότητα εξαρχής. Είναι σαν να σχεδιάζεις καλύτερο σύστημα εξάτμισης για ένα αυτοκίνητο που καίγεται, αντί να αναρωτιέσαι γιατί καίγεται το αυτοκίνητο.
Το τσιπ που έφαγε το δίκτυο
Ας εστιάσουμε για λίγο στο υλικό, γιατί η κατανάλωση ενέργειας κάθε τσιπ ξεχωριστά αφηγείται τη δική της ιστορία κλιμακούμενης τρέλας.
Τα πρώτα επιταχυντικά τσιπ για τεχνητή νοημοσύνη κατανάλωναν περίπου 400 watt. Ήδη υψηλή τιμή, αλλά διαχειρίσιμη με συμβατική ψύξη. Μετά ήρθαν τα 700 watt. Μετά τα 1.000 watt. Η τελευταία αρχιτεκτονική Blackwell της NVIDIA φτάνει τα 1.200 watt ανά τσιπ, με ορισμένες διαμορφώσεις να ξεπερνούν ακόμη και αυτό. Ήδη συζητούνται μελλοντικά σχέδια που θα φτάνουν τα 1.400 watt.
Σκεφτείτε το. 1.200 watt. Ανά τσιπ. Ένα μόνο τσιπ που καταναλώνει περισσότερη ενέργεια από τις περισσότερες οικιακές συσκευές. Και η εκπαίδευση ενός μεγάλου μοντέλου απαιτεί χιλιάδες τέτοια τσιπ να λειτουργούν συνεχόμενα για εβδομάδες ή μήνες.
Τα μαθηματικά είναι ανελέητα: 1.000 τσιπ × 1.200 watt = 1,2 μεγαβάτ. Για ένα μόνο σύμπλεγμα εκπαίδευσης. Για την εκτέλεση ενός μοντέλου. Και υπάρχουν εκατοντάδες τέτοια συμπλέγματα παγκοσμίως, με περισσότερα να τίθενται σε λειτουργία κάθε τρίμηνο. Οι αγορές FLAP-D (Φρανκφούρτη, Λονδίνο, Άμστερνταμ, Παρίσι, Δουβλίνο) καλύπτουν μόνες τους πάνω από το 60% της ευρωπαϊκής χωρητικότητας κέντρων δεδομένων, με τη ζήτηση ενέργειας να προβλέπεται να αυξηθεί από 96 TWh το 2024 σε 168 TWh έως το 2030.
Αυτό δεν είναι βιώσιμο. Δεν πλησιάζει καν το βιώσιμο. Καταναλώνουμε ηλεκτρική ενέργεια με ρυθμό που θα φάνταζε φανταστικός πριν από μια δεκαετία, και η συζήτηση στον κλάδο επικεντρώνεται στο αν το δίκτυο ηλεκτροδότησης μπορεί να συμβαδίσει, όχι στο αν θα έπρεπε να το κάνουμε καθόλου.
Ο πράσινος εφιάλτης της Ευρώπης και η αδύνατη επιλογή
Για την Ευρώπη, αυτό δημιουργεί μια αδύνατη σύγκρουση που δεν είναι πλέον θεωρητική. Συμβαίνει αυτή τη στιγμή, σε συσκέψεις σχεδιασμού δικτύου και ακροάσεις ρυθμιστικών αρχών σε όλη την ήπειρο.
Η Ευρωπαϊκή Πράσινη Συμφωνία στοχεύει να καταστήσει την Ευρώπη κλιματικά ουδέτερη έως το 2050. Οι εκπομπές άνθρακα πρέπει να μειωθούν τουλάχιστον κατά 55% έως το 2030 σε σύγκριση με τα επίπεδα του 1990. Η ενεργειακή απόδοση πρέπει να βελτιωθεί σε όλους τους τομείς. Οι ανανεώσιμες πηγές ενέργειας πρέπει να αντικαταστήσουν τα ορυκτά καύσιμα. Αυτοί είναι νομικά δεσμευτικοί στόχοι βάσει του Ευρωπαϊκού Κλιματικού Νόμου.
Εν τω μεταξύ, η κατανάλωση ενέργειας της τεχνητής νοημοσύνης εκρήγνυται με ετήσιο ρυθμό 44%. Το 2024, τα ευρωπαϊκά κέντρα δεδομένων κατανάλωσαν 96 TWh, που αντιστοιχεί στο 3,1% της συνολικής ζήτησης ενέργειας. Αλλά η κατανομή είναι εξαιρετικά άνιση. Στην Ιρλανδία, φτάνει το 22% της εθνικής ηλεκτρικής ενέργειας. Στην Ολλανδία, 7%. Στη Γερμανία, 4%. Τα κέντρα δεδομένων στο Άμστερνταμ, το Λονδίνο και τη Φρανκφούρτη κατανάλωσαν το 33% έως 42% της ηλεκτρικής ενέργειας αυτών των πόλεων το 2023.
Οι δύο πορείες είναι μαθηματικά ασύμβατες. Η Ευρώπη μπορεί είτε να πετύχει τους κλιματικούς της στόχους, είτε να αναπτύξει υποδομές τεχνητής νοημοσύνης με τις τρέχουσες προσεγγίσεις. Όχι και τα δύο. Τα νούμερα δεν βγαίνουν.
Κάποιοι υποστηρίζουν ότι οι ανανεώσιμες πηγές ενέργειας λύνουν το πρόβλημα. «Απλώς τροφοδοτήστε τα κέντρα δεδομένων με ηλιακή και αιολική ενέργεια». Ωραία ιδέα. Εντελώς ανεφάρμοστη. Η Ευρώπη εγκατέστησε 65,5 GW νέας ηλιακής ισχύος το 2024 και 16,4 GW νέας αιολικής. Οι ανανεώσιμες πηγές έφτασαν το 47% της παραγωγής ηλεκτρικής ενέργειας. Όμως, η ζήτηση 945 TWh από τα νέα κέντρα δεδομένων έως το 2030 θα απαιτούσε την κατασκευή ανανεώσιμης ισχύος ισοδύναμης με χιλιάδες επιπλέον αιολικά πάρκα και εκατομμύρια επιπλέον ηλιακά πάνελ. Μόνο η χρήση γης θα ήταν αστρονομική. Η Δανία, με 88,4% ανανεώσιμη ηλεκτρική ενέργεια (κυρίως αιολική), συχνά αναφέρεται ως το πρότυπο. Όμως, η συνολική κατανάλωση ηλεκτρικής ενέργειας της Δανίας είναι μόνο ένα κλάσμα της προβλεπόμενης ζήτησης των κέντρων δεδομένων για τεχνητή νοημοσύνη.
Ακόμα κι αν ήταν τεχνικά εφικτό, το κόστος ευκαιρίας είναι συγκλονιστικό. Κάθε μεγαβατώρα που πηγαίνει στην εκπαίδευση τεχνητής νοημοσύνης είναι μια μεγαβατώρα που δεν είναι διαθέσιμη για τον εξηλεκτρισμό των μεταφορών, τη θέρμανση των σπιτιών ή τη βιομηχανία. Είναι ένας άμεσος συμβιβασμός, και επιλέγουμε να καίμε ανανεώσιμη ενέργεια για να εκπαιδεύσουμε μοντέλα που μπορεί να είναι ξεπερασμένα σε έξι μήνες, αντί να θερμαίνουμε τα σπίτια όλο τον χειμώνα.
Η Κρίση του Νερού που Κανείς δεν Παρακολουθεί
Η ενέργεια δεν είναι ο μόνος πόρος που καταναλώνει η τεχνητή νοημοσύνη. Το νερό εξελίσσεται σε κρίσιμη κρίση, ειδικά σε περιοχές που ήδη αντιμετωπίζουν λειψυδρία.
Τα κέντρα δεδομένων χρησιμοποιούν τεράστιες ποσότητες νερού για εξατμιστική ψύξη, στην οποία βασίζονται οι περισσότερες μεγάλες εγκαταστάσεις επειδή είναι πιο αποδοτική από τα συστήματα κλειστού βρόχου. Η εξατμιστική ψύξη κυριολεκτικά εξατμίζει νερό για να διαχέει τη θερμότητα. Το νερό χάνεται. Δεν επιστρέφει στο σύστημα. Εξατμίζεται στην ατμόσφαιρα. Αφαιρείται μόνιμα από τα τοπικά αποθέματα νερού.
Μια μελέτη του 2024 διαπίστωσε ότι η εκπαίδευση του GPT-3 στα υπερσύγχρονα κέντρα δεδομένων της Microsoft στις ΗΠΑ κατανάλωσε περίπου 700.000 λίτρα γλυκού νερού. Αυτό αρκεί για να παραχθούν 370 αυτοκίνητα BMW ή 320 ηλεκτρικά οχήματα Tesla. Για μία μόνο εκπαίδευση. Ενός μοντέλου. Και αυτό είναι μόνο η άμεση κατανάλωση νερού εντός της εγκατάστασης, χωρίς να υπολογίζεται το νερό που χρησιμοποιείται για την παραγωγή ηλεκτρικής ενέργειας.
Το συνολικό αποτύπωμα νερού σε όλο τον κύκλο ζωής, συμπεριλαμβανομένης της παραγωγής ηλεκτρικής ενέργειας εκτός εγκατάστασης, φτάνει τα 5,4 εκατομμύρια λίτρα. Και η συνεχής χρήση συνεχίζεται: το ChatGPT απαιτεί περίπου 500 χιλιοστόλιτρα νερού για μια σύντομη συνομιλία 20 έως 50 ερωτήσεων και απαντήσεων. Πολλαπλασιάστε το με εκατομμύρια χρήστες που κάνουν ερωτήσεις συνεχώς, και η κατανάλωση νερού γίνεται συγκλονιστική.
Σε περιοχές επιρρεπείς στην ξηρασία, αυτό δημιουργεί άμεσες συγκρούσεις. Τα κέντρα δεδομένων ανταγωνίζονται τη γεωργία και τα δημοτικά αποθέματα νερού. Σε ορισμένες περιοχές, η εκπαίδευση τεχνητής νοημοσύνης παίρνει κυριολεκτικά νερό από τις καλλιέργειες κατά τη διάρκεια ξηρασιών. Αυτό δεν είναι μελλοντικό πρόβλημα. Συμβαίνει τώρα. Και καθώς οι αναπτύξεις τεχνητής νοημοσύνης επεκτείνονται, γίνεται χειρότερο.
Η Ψευδαίσθηση της Αποδοτικότητας και το Παράδοξο του Τζέβονς
Η βιομηχανία της τεχνητής νοημοσύνης λατρεύει να μιλά για βελτιώσεις στην αποδοτικότητα. Κάθε κεντρική ομιλία συνεδρίου περιλαμβάνει ένα διάγραμμα: «Τα νέα τσιπ είναι 10× πιο αποδοτικά!» «Καλύτεροι αλγόριθμοι μειώνουν την κατανάλωση ενέργειας κατά 50%!» «Τα κέντρα δεδομένων μας τροφοδοτούνται 100% από ανανεώσιμες πηγές ενέργειας!»
Όλα αληθινά. Όλα τεχνικά εντυπωσιακά. Όλα εντελώς άσχετα με το πραγματικό πρόβλημα.
Γιατί οι βελτιώσεις στην αποδοτικότητα καταναλώνονται αμέσως από την αύξηση της κλίμακας. Αυτό είναι το παράδοξο του Τζέβονς σε δράση, και οι οικονομολόγοι προειδοποιούν γι' αυτό από το 1865, όταν ο Γουίλιαμ Στάνλεϊ Τζέβονς παρατήρησε ότι η βελτιωμένη απόδοση άνθρακα στις ατμομηχανές οδήγησε σε αυξημένη συνολική κατανάλωση άνθρακα, όχι σε μειωμένη.
Ο διευθύνων σύμβουλος της Microsoft, Σάτια Ναντέλα, έγραψε κυριολεκτικά στο Twitter «Το παράδοξο του Τζέβονς χτυπά ξανά!» όταν η DeepSeek κυκλοφόρησε το αποδοτικό και χαμηλού κόστους μοντέλο τεχνητής νοημοσύνης της. Κατάλαβε ακριβώς τι θα συνέβαινε: το χαμηλότερο κόστος σημαίνει μεγαλύτερη χρήση, που οδηγεί σε υψηλότερη συνολική κατανάλωση. Και είχε δίκιο.
Ναι, τα νεότερα τσιπ εκτελούν περισσότερους υπολογισμούς ανά βατ. Αλλά τα μοντέλα μεγαλώνουν ακόμα πιο γρήγορα. Ναι, οι καλύτεροι αλγόριθμοι μειώνουν τον χρόνο εκπαίδευσης. Αλλά εκπαιδεύουμε περισσότερα μοντέλα, πιο συχνά, με περισσότερες παραμέτρους, επειδή τώρα μπορούμε να το αντέξουμε οικονομικά. Η συνολική κατανάλωση ενέργειας δεν μειώνεται. Επιταχύνεται. Η βελτίωση αποδοτικότητας 10× σημαίνει απλώς ότι μπορούμε να εκπαιδεύσουμε ένα μοντέλο 10× μεγαλύτερο με το ίδιο ενεργειακό κόστος. Και έτσι κάνουμε. Και η συνολική κατανάλωση ανεβαίνει.
Η NVIDIA ισχυρίζεται ότι το Blackwell είναι 100.000× πιο ενεργειακά αποδοτικό για συμπερασμούς από τα τσιπ της προηγούμενης δεκαετίας. Εντυπωσιακή μηχανική. Αλλά η συνολική ενεργειακή κατανάλωση της τεχνητής νοημοσύνης έχει εκραγεί την ίδια περίοδο, επειδή οι βελτιώσεις στην αποδοτικότητα επέτρεψαν αναπτύξεις σε κλίμακες που ήταν προηγουμένως οικονομικά αδύνατες.
Το Πραγματικό Κόστος των Φαντασιώσεων Κινητής Υποδιαστολής
Γιατί η τεχνητή νοημοσύνη καταναλώνει τόση ενέργεια; Η απάντηση βρίσκεται στα μαθηματικά, και είναι πιο απλή από ό,τι νομίζετε.
Η αριθμητική κινητής υποδιαστολής, το θεμέλιο των σύγχρονων νευρωνικών δικτύων, είναι υπολογιστικά δαπανηρή. Κάθε πολλαπλασιασμός απαιτεί σημαντικό κύκλωμα, σημαντική επιφάνεια πυριτίου, σημαντική ισχύ. Και τα νευρωνικά δίκτυα είναι δισεκατομμύρια επί δισεκατομμύρια πράξεις κινητής υποδιαστολής, επαναλαμβανόμενες εκατομμύρια φορές το δευτερόλεπτο.
Χειρότερα, χρησιμοποιούμε ακραία ακρίβεια εκεί που πραγματικά δεν χρειάζεται. Αριθμοί κινητής υποδιαστολής 32-bit. 16-bit. Ακόμα και 8-bit. Όλη αυτή η ακρίβεια, όλο αυτό το υπολογιστικό κόστος, όλη αυτή η ενέργεια, για να πάρουμε αποφάσεις που είναι τελικά δυαδικές. Ναι ή όχι. Γάτα ή σκύλος. Ανεπιθύμητο ή κανονικό. Έγκριση ή απόρριψη.
Είναι σαν να χρησιμοποιείτε υπερυπολογιστή για να στρίψετε ένα νόμισμα. Το αποτέλεσμα είναι κορώνα ή γράμματα, αλλά καίμε μεγαβάτ υπολογίζοντας πιθανότητες με δεκαέξι δεκαδικά ψηφία. Η ακρίβεια είναι μαθηματικά όμορφη. Είναι επίσης θερμοδυναμικά παράλογη.
Αυτό δεν είναι βελτιστοποίηση. Είναι σπατάλη που μεταμφιέζεται σε αναγκαιότητα, υπερασπισμένη από την αδράνεια του «έτσι το κάναμε πάντα» και από το βυθισμένο κόστος δισεκατομμυρίων ευρώ που επενδύθηκαν σε υποδομές GPU σχεδιασμένες ειδικά για πράξεις κινητής υποδιαστολής.
Η Δυαδική Εναλλακτική που Πραγματικά Λειτουργεί
Ποια είναι λοιπόν η λύση; Πώς χτίζουμε τεχνητή νοημοσύνη χωρίς να μετατρέπουμε τα κέντρα δεδομένων σε κλιματικές καταστροφές;
Στη Dweve, ξεκινήσαμε αμφισβητώντας τη θεμελιώδη παραδοχή. Χρειάζεται πραγματικά η τεχνητή νοημοσύνη αριθμητική κινητής υποδιαστολής; Χρειάζεται πραγματικά τόση ενέργεια; Υπάρχει ένα διαφορετικό μαθηματικό θεμέλιο που επιτυγχάνει την ίδια νοημοσύνη με δραματικά λιγότερο υπολογιστικό κόστος;
Τα δυαδικά νευρωνικά δίκτυα παρέχουν μια σαφή, εμπειρικά δοκιμασμένη απάντηση: όχι, η τεχνητή νοημοσύνη δεν χρειάζεται αριθμητική κινητής υποδιαστολής. Ούτε καν κοντά.
Με την πλήρη εξάλειψη των πράξεων κινητής υποδιαστολής και τη χρήση απλής δυαδικής λογικής, η κατανάλωση ενέργειας μειώνεται κατά 96%. Όχι μέσω οριακών βελτιστοποιήσεων ή έξυπνης προσωρινής αποθήκευσης. Μέσω θεμελιώδους μαθηματικού επανασχεδιασμού. Η εξοικονόμηση υπολογιστικής ισχύος προέρχεται από την αντικατάσταση των πολύπλοκων πράξεων πολλαπλασιασμού-συσσώρευσης κινητής υποδιαστολής με απλές δυαδικές πράξεις AND και XNOR, που απαιτούν κατά τάξεις μεγέθους λιγότερη ενέργεια.
Αυτός ο επιταχυντής Blackwell των 1.200 watt; Αντικαταστήστε τον με μια CPU 50 watt που εκτελεί δυαδικές πράξεις. Ίδια ευφυΐα. Ίδιες δυνατότητες. 24× λιγότερη ισχύς. Ή ακόμα καλύτερα, αναπτύξτε τον σε FPGA ειδικά βελτιστοποιημένα για δυαδικές πράξεις, επιτυγχάνοντας 136× καλύτερη ενεργειακή απόδοση σε σύγκριση με τις παραδοσιακές προσεγγίσεις GPU.
Αυτό το rack διακομιστών των 250 κιλοβάτ που καταναλώνει όση ενέργεια μια γειτονιά; Μειώνεται στα 10 κιλοβάτ. Αυτό το τεράστιο κέντρο δεδομένων που καταναλώνει όση ηλεκτρική ενέργεια μια πόλη; Μειώνεται στην κατανάλωση ενός μεγάλου κτιρίου γραφείων. Οι απαιτήσεις υποδομής συρρικνώνονται αναλογικά. Χωρίς εξωτική υγρή ψύξη. Χωρίς αποκλειστικούς υποσταθμούς ισχύος. Χωρίς αναβαθμίσεις δικτύου.
Τα μαθηματικά είναι απλά: οι δυαδικές πράξεις χρησιμοποιούν κατά τάξεις μεγέθους λιγότερη ενέργεια από την κινητή υποδιαστολή. Η αποδοτικότητα των υποδομών ακολουθεί φυσικά. Ο αντίκτυπος στο κλίμα μειώνεται αναλογικά. Και τα αποτελέσματα; Ισοδύναμη ή καλύτερη ακρίβεια σε πραγματικές εργασίες, επειδή τα δυαδικά νευρωνικά δίκτυα μπορούν πράγματι να συλλάβουν δομικές σχέσεις που τα δίκτυα κινητής υποδιαστολής χάνουν.
Πέρα από την Αποδοτικότητα: Ένα Διαφορετικό Παράδειγμα για την Ευρωπαϊκή Τεχνητή Νοημοσύνη
Τα δυαδικά νευρωνικά δίκτυα δεν είναι απλώς πιο αποδοτικά. Αντιπροσωπεύουν μια θεμελιωδώς διαφορετική προσέγγιση της νοημοσύνης που ευθυγραμμίζεται φυσικά με τις ευρωπαϊκές αξίες της βιωσιμότητας, της διαφάνειας και της τεχνολογικής κυριαρχίας.
Αντί να προσεγγίζουν τις αποφάσεις με συνεχή μαθηματικά και μαζικούς υπολογισμούς, χρησιμοποιούν άμεσα διακριτή λογική. Αντί να καταναλώνουν ενέργεια για να υπερβούν την αριθμητική αστάθεια στην κάθοδο κλίσης, βασίζονται σε σταθερά δυαδικά θεμέλια. Αντί να απαιτούν ακριβές ιδιόκτητες GPU που κατασκευάζονται στο εξωτερικό, λειτουργούν αποδοτικά σε τυπικούς επεξεργαστές και μπορούν να αναπτυχθούν σε FPGA ευρωπαϊκής κατασκευής.
Το αποτέλεσμα είναι τεχνητή νοημοσύνη που συνεργάζεται με τη φυσική αντί να την πολεμά. Υπολογισμοί που δεν απαιτούν εξωτικά συστήματα ψύξης. Υποδομές που δεν χρειάζονται δικό τους σταθμό παραγωγής ενέργειας. Και, το κρίσιμο για την Ευρώπη, μια τεχνολογική προσέγγιση που δεν σε δεσμεύει σε εξάρτηση από την NVIDIA, με έδρα την Καλιφόρνια, ή από άλλους μη ευρωπαϊκούς προμηθευτές υλικού.
Εταιρείες όπως η γερμανική Black Forest Labs, η γαλλική Mistral AI και η γερμανική Aleph Alpha αναπτύσσουν εντυπωσιακές δυνατότητες τεχνητής νοημοσύνης, αλλά παραμένουν θεμελιωδώς εξαρτημένες από τις παραδοσιακές αρχιτεκτονικές κινητής υποδιαστολής και την αλυσίδα εφοδιασμού GPU. Τα δυαδικά νευρωνικά δίκτυα προσφέρουν έναν δρόμο προς τη γνήσια ευρωπαϊκή κυριαρχία στην τεχνητή νοημοσύνη, με υλικό που μπορεί να κατασκευαστεί στην Ευρώπη με διαδικασίες που ευθυγραμμίζονται με τις ευρωπαϊκές δεσμεύσεις για το κλίμα.
Έτσι μπορεί η Ευρώπη να έχει και τα δύο: πρόοδο στην τεχνητή νοημοσύνη και κλιματικούς στόχους. Όχι κάνοντας την τρέχουσα προσέγγιση ελαφρώς πιο πράσινη μέσω αγορών ανανεώσιμης ενέργειας και αντισταθμίσεων άνθρακα, αλλά χρησιμοποιώντας μαθηματικά που δεν απαιτούν εξαρχής κατανάλωση ενέργειας σε πλανητική κλίμακα. Ο ευρωπαϊκός κανονισμός για την τεχνητή νοημοσύνη ήδη το αναγνωρίζει αυτό, απαιτώντας γνωστοποίηση της κατανάλωσης ενέργειας και ενθαρρύνοντας εθελοντικούς κώδικες δεοντολογίας για την περιβαλλοντική βιωσιμότητα. Οι δυαδικές προσεγγίσεις μετατρέπουν αυτούς τους φιλόδοξους στόχους σε πραγματικότητα.
Η Επιλογή που Κάνουμε Τώρα
Η ψηφιακή ενεργειακή κρίση δεν είναι αναπόφευκτη. Είναι επιλογή. Μια επιλογή που κάνουμε τώρα, σε κάθε παραγγελία αγοράς GPU, σε κάθε συμβόλαιο κατασκευής κέντρου δεδομένων, σε κάθε εκτέλεση εκπαίδευσης μοντέλου.
Είναι επιλογή να συνεχίσουμε να χρησιμοποιούμε αριθμητική κινητής υποδιαστολής επειδή είναι οικεία, επειδή τα εργαλεία υπάρχουν, επειδή η επανεκπαίδευση ολόκληρου του κλάδου είναι δύσκολη. Επιλογή να αποδεχτούμε την εκθετική αύξηση της ενέργειας επειδή τα τριμηνιαία κέρδη φαίνονται καλά και οι επενδυτές επιχειρηματικού κεφαλαίου είναι ενθουσιασμένοι. Επιλογή να καίμε περισσότερο ηλεκτρικό ρεύμα για την εκπαίδευση ενός μοντέλου από όσο καταναλώνει μια πόλη σε έναν χρόνο, επειδή μπορούμε και επειδή κάποιος άλλος θα πληρώσει το κόστος για το κλίμα.
Αλλά θα μπορούσαμε να επιλέξουμε διαφορετικά. Η Ευρώπη βρίσκεται στην πραγματικότητα σε μοναδική θέση να ηγηθεί αυτής της επιλογής.
Θα μπορούσαμε να επιλέξουμε μαθηματικά που δεν σπαταλούν το 96% της ενέργειάς τους σε περιττή ακρίβεια. Θα μπορούσαμε να επιλέξουμε αλγορίθμους που λειτουργούν αποδοτικά σε συμβατικό υλικό αντί να απαιτούν εξειδικευμένους επιταχυντές. Θα μπορούσαμε να επιλέξουμε αρχιτεκτονικές που σέβονται τα φυσικά και περιβαλλοντικά όρια αντί να υποθέτουν απεριόριστη διαθεσιμότητα ενέργειας. Θα μπορούσαμε να επιλέξουμε προσεγγίσεις που ευθυγραμμίζονται με την Ευρωπαϊκή Πράσινη Συμφωνία αντί να την υπονομεύουν άμεσα.
Η έκρηξη της τεχνητής νοημοσύνης δεν χρειάζεται να εξελιχθεί σε ενεργειακή καταστροφή. Τα δυαδικά νευρωνικά δίκτυα αποδεικνύουν ότι υπάρχει άλλος δρόμος. Ένας δρόμος που προσφέρει νοημοσύνη χωρίς το κλιματικό κόστος. Ένας δρόμος που λειτουργεί εντός των περιορισμών των ανανεώσιμων πηγών ενέργειας αντί να τους υπερκαλύπτει. Ένας δρόμος που αντιμετωπίζει την αποδοτικότητα ως θεμελιώδες χαρακτηριστικό και όχι ως εκ των υστέρων σκέψη για τις εκθέσεις βιωσιμότητας.
Η Ιρλανδία δεν χρειάζεται να επιλέξει ανάμεσα στην οικονομική ανάπτυξη μέσω κέντρων δεδομένων και στην επάρκεια ηλεκτρικής ενέργειας για τα νοικοκυριά. Το Άμστερνταμ δεν χρειάζεται να επιβάλλει μορατόριουμ. Το Δουβλίνο δεν χρειάζεται να παρακολουθεί τα κέντρα δεδομένων να καταναλώνουν σχεδόν το μισό της ηλεκτρικής ενέργειας της πόλης, ενώ οι κάτοικοι αντιμετωπίζουν αυξανόμενο ενεργειακό κόστος.
Η Πράσινη Συμφωνία της Ευρώπης και η πρόοδος της τεχνητής νοημοσύνης δεν είναι ασύμβατες. Αλλά μόνο αν είμαστε διατεθειμένοι να αμφισβητήσουμε θεμελιώδεις παραδοχές και να οικοδομήσουμε τεχνητή νοημοσύνη που έχει πραγματικά μαθηματική, φυσική και οικονομική λογική. Η τρέχουσα πορεία οδηγεί σε 945 TWh έως το 2030, το 3% της παγκόσμιας ηλεκτρικής ενέργειας, χιλιάδες τόνους CO2 ανά μοντέλο, εκατομμύρια λίτρα κατανάλωσης νερού και μια αδύνατη επιλογή ανάμεσα στους κλιματικούς στόχους και την τεχνολογική πρόοδο.
Η εναλλακτική υπάρχει ήδη σήμερα. Δυαδικά νευρωνικά δίκτυα που τρέχουν σε συμβατικούς επεξεργαστές και αποδοτικά FPGA. Υπολογισμός που χρησιμοποιεί 96% λιγότερη ενέργεια. Βιώσιμη τεχνητή νοημοσύνη που δεν απαιτεί επιλογή ανάμεσα στην πρόοδο και τον πλανήτη. Διαφανείς αλγόριθμοι που οι Ευρωπαίοι μπορούν πραγματικά να κατανοήσουν και να επαληθεύσουν, όχι αδιαφανή βάρη κινητής υποδιαστολής που ελέγχονται από ξένες εταιρείες.
Το μόνο ερώτημα είναι αν θα την αξιοποιήσουμε προτού κάψουμε τόση ενέργεια, καταναλώσουμε τόσο νερό και οικοδομήσουμε τόσες αναποτελεσματικές υποδομές που να μην έχουμε πλέον καμία επιλογή. Το παράθυρο κλείνει. Αλλά είναι ακόμα ανοιχτό.
Θέλετε τεχνητή νοημοσύνη που δεν χρειάζεται δικό της σταθμό παραγωγής ενέργειας; Το Dweve Core, το πλαίσιο διακριτού υπολογισμού μας που συνδυάζει δυαδικά νευρωνικά δίκτυα, συστήματα βασισμένα σε περιορισμούς και υπολογισμό με παλμούς και τροφοδοτεί το Dweve Loom, προσφέρει 96% χαμηλότερη κατανάλωση ενέργειας τόσο στην εκπαίδευση όσο και στο συμπέρασμα σε συμβατικό υλικό. Χωρίς ιδιόκτητους επιταχυντές. Χωρίς εξωτική ψύξη. Χωρίς συμβιβασμούς στις δυνατότητες. Το μέλλον της βιώσιμης ευρωπαϊκής τεχνητής νοημοσύνης είναι αποδοτικό, διαφανές και διαθέσιμο ήδη σήμερα.